一种蜂窝网络流量卸载方法

1.本发明属于无线通信领域，涉及一种蜂窝网络流量卸载方法。


背景技术：

2.近年来，蜂窝移动流量的需求急剧增长，现有技术难以提供高速、大容量的多媒体服务。利用已有的载波聚合技术聚合授权和免授权载波，允许lte用户接入免授权频段通信的lte-u(lte-unlicensed)技术成为发展趋势。此外，在5g系统中，d2d(device-to-device)通信被认为是移动流量卸载的关键技术。在d2d通信系统中，d2d用户通过复用蜂窝用户相同的时频资源，在相邻用户之间建立直接连接，通信过程不需要基站(base station,bs)或wifiap(access point)等现有基础设施的参与。短距离通信和时频资源复用的主要优点是频谱效率高、数据速率快，功耗低，延迟低。为了提高无线系统的性能，5g技术中的mimo(multiple-input multiple-output)技术充分利用了空间资源。mimo技术允许多个天线同时发送和接收多个空间流，并且可以区分来自不同空间方向的信号。复用频谱资源和充分利用空间资源是卸载蜂窝移动流量，提高网络容量和频谱利用率的两种可靠方案。
3.在单天线蜂窝网络中，可以将蜂窝网络流量卸载到免授权网络或d2d网络，通过整合d2d、lte-u和wifi网络减轻蜂窝流量需求压力。然而，在单天线网络中，建立一个合适的共存机制整合三种网络是非常困难的。用户之间的干扰较大，难以保证通信质量。因此，本发明提出一种蜂窝网络流量卸载方法，通过研究mu-mimo传输对流量卸载系统性能的影响，在有限的csi(channel state information)反馈下，同时将蜂窝网络流量卸载到d2d网络和wifi网络，并通过q学习选择最佳的流量卸载策略。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种蜂窝网络流量卸载方法，在有限csi反馈的前提下，通过推导蜂窝用户，以及卸载到wifi网络和d2d网络的卸载用户的下行速率封闭表达式，分析卸载系统的相关性能。并通过仿真验证系统总速率与卸载用户，csi反馈长度的关系，对比同时卸载到wifi网络和d2d网络与仅卸载到其中一个网络的系统性能。最后通过q学习不断迭代选择最佳的卸载策略。
5.为了达到上述目的，本发明提供如下技术方案：
6.一种蜂窝网络流量卸载方法，包括以下步骤：
7.s1：设置异构网络共存场景；
8.s2：推导卸载系统中用户下行sinr封闭表达式；
9.s3：定义积分函数f(
·
)，近似求解用户到达率；
10.s4：通过q学习确定蜂窝用户卸载方向；
11.s5：通过蒙特卡罗仿真，评估异构网络性能。
12.进一步，在步骤s1中，建立基于mimo-ofdm框架的异构无线网络，蜂窝bs与wifiap都使用mimo技术共享免授权频谱，同时d2d用户通过复用蜂窝用户的频率资源通信。我们具
体考虑了具有一个n-天线的bs和一个m天线的ap(n≥m)的单蜂窝网络。因为不同的aps在正交的免授权信道上发射时，相邻aps之间的干扰可以忽略，我们只考虑一个ap的场景。ofdm技术将信道分成多个正交子信道，子数据流相互并行，并在传输前进行调制。每个移动终端只有一根天线。它们可以与蜂窝bs或wifiap通信，也可以基于d2d技术直接相互通信。
13.进一步，在步骤2中，推导卸载系统中用户下行sinr封闭表达式。pa，pb，pd分别表示ap，bs和d2d发送端d
tj
的传输功率。表示传输节点t与蜂窝用户j(j＝1,2,
…
,n)之间的距离，表示t与卸载到wifi网络的用户k(k＝1,2,
…
,m)之间的距离，表示t与d2d接收端d
rj
之间的距离。h
tu
表示t与用户u(u∈{c1,
…
,cn,w1,
…
,wm,d
r1
,
…
,d
rn
})之间的信道。α为与距离相关的信道路径损耗指数。我们将所有的信道增益建模为方差为1，均值为0的独立同分布复高斯实体。
14.在mu-mimo系统中，蜂窝bs-用户的下行链路以相同的带宽和时隙传输信号，用户不受其他用户的干扰。并且我们假设d2d对复用ofdm系统的子信道。因此，d2d通信只会对共享ofdm子信道的蜂窝用户产生干扰。由此我们推导出在蜂窝用户j接收到的信号为：
[0015][0016]
其中，(
·
)h为共轭转置，w为用户的归一化zfbf预编码向量，i为复用同一蜂窝bs-用户子信道的d2d对个数。zc是均值为0，方差为1的复高斯噪声。同样可以推导出卸载到wifi的用户k的接收信号和d2d通信对接收端d
rj
的接收信号为：
[0017][0018][0019]
由接收信号进一步推导出蜂窝用户、卸载到wifi的用户以及d2d接收端的sinr，如下
[0020][0021]
[0022][0023]
进一步，在步骤3中，定义积分函数f(
·
)，近似求解用户到达率。考虑到用户的准确信噪比分布难以计算，我们假设信号发射端和所有接收端用户处都有一个通用的n维单位范数向量量化码本。用户可以将量化的比特完美地反馈给bs，然后通过利用用户和bs已知的矢量量化码本进行量化。即每个用户根据其归一化信道方向与码本向量之间的角度来估计其csi并将其量化到最接近的码字。bs和ap的量化误差εb和εa的表达式为：
[0024][0025][0026]
其中，lb和la为bs和ap的csi反馈位的长度。基于此，寻找|hhw|2与的近似关系，为服从自由度为n的卡方分布的随机变量。由近似关系进一步得到用户sinr满足的近似分布，从而计算出用户的到达率。
[0027]
由于计算涉及复杂的概率分布，为方便求解我们定义了积分函数f(
·
)，具体定义为：
[0028][0029]
根据用户sinr的近似分布，将f(
·
)带入到达率的求解公式，得到蜂窝用户，卸载到wifi的用户以及d2d接收端的到达率封闭表达式。
[0030][0031]
其中，m，q，p，λ的值与用户sinr近似分布的具体表达式相关，f1和f2分别对应于用户所受干扰情况，其具体参数也由sinr得到。最后，我们将系统的和速率记为：
[0032][0033]
进一步，在步骤4中，通过q学习确定蜂窝用户卸载方向。根据系统的和速率表达式，为最大化系统性能，以max(r
total
)为目标函数，将蜂窝用户同时卸载到d2d和wifi网络。利用q学习确定卸载到不同方向的用户数量，从而最大化系统和速率。
[0034]
进一步，在步骤5中，通过蒙特卡罗仿真，评估异构网络性能。评估卸载wifi网络和d2d网络的用户数量、csi反馈长度、d2d对之间的通信距离以及不同的流量卸载方式对异构网络性能的影响。通过蒙特卡罗算法对随机生成的信道进行模拟仿真，大量仿真结果的平均值被认为是最终的模拟结果。
[0035]
本发明的有益效果在于：在lte-u网络中启用了mimo技术，将蜂窝移动流量同时卸载到d2d和wifi网络，通过构建mimo-ofdm系统减少用户间干扰，并利用定义的积分函数f
(
·
)和sinr的近似分布得到用户到达率的封闭表达式。最后，利用q学习确定蜂窝用户卸载方向，并采用蒙特卡罗模拟仿真评估异构网络性能。
附图说明
[0036]
为了使本发明的目的、技术方案和有益效果更佳清楚，本发明提供如下附图进行说明：
[0037]
图1为本发明实施例所述的流程示意图；
[0038]
图2为本发明实施例所述的异构网络模型图；
[0039]
图3位本发明实施例所述的q学习框架。
具体实施方式
[0040]
下面结合附图，对本发明的优选实施例进行详细的描述。
[0041]
本发明针对将蜂窝移动流量同时卸载到d2d和wifi网络的卸载系统性能问题，提出了一种蜂窝网络流量卸载方法。本文构建了一个mimo-ofdm框架下的异构无线网络，在lte-u无线网络中，蜂窝bs与wifiap共享免授权频段，同时d2d用户通过复用蜂窝用户的频率资源进行通信。基于构建的异构网络场景，通过用户接收信号得到sinr的封闭表达式，并进一步提出近似关系和定义积分函数f(
·
)，最后得到用户速率的封闭表达式。通过q学习选择卸载方向后，采用蒙特卡罗仿真评估该异构网络的系统性能。蜂窝网络流量卸载方法的流程图如图1所示。
[0042]
蜂窝网络流量卸载方法的场景图如图2所示。在具有一个n-天线的bs和一个m天线的ap(n≥m)的单蜂窝网络中，使用ofdm技术将信道分成多个正交子信道，子数据流相互并行传输。由于不同的aps在正交的免授权信道上发射时，相邻aps之间的干扰可以忽略，我们只考虑一个ap的场景。且每个移动终端只有一根天线。它们可以与蜂窝bs或wifiap通信，也可以基于d2d技术直接相互通信。系统模型中bs和ap的具体位置固定，蜂窝用户的位置在系统范围内随机生成，并通过q学习确定蜂窝用户卸载到d2d网络还是wifi网络。
[0043]
本发明采用的q学习算法如图3所示。q学习算法中的智能体为基站，基站会根据动作选择策略选择某个状态下的动作，并在环境状态中得到奖励值，计算更新q值和q表。通过不断的学习环境状态，更新q表直至收敛。
[0044]
如图1所示，蜂窝网络流量卸载方法包括以下步骤：
[0045]
s1：设置异构网络共存场景；
[0046]
s2：推导卸载系统中用户下行sinr封闭表达式；
[0047]
s3：定义积分函数f(
·
)，近似求解用户到达率；
[0048]
s4：通过q学习确定蜂窝用户卸载方向；
[0049]
s5：通过蒙特卡罗仿真，评估异构网络性能。
[0050]
建立基于mimo-ofdm框架的异构无线网络，一个n-天线的蜂窝bs与一个m天线的wifiap都使用mimo技术共享免授权频谱(n≥m)，同时d2d用户通过复用蜂窝用户的频率资源通信。我们只考虑一个ap的场景，且使用ofdm技术将信道分成多个正交子信道，子数据流相互并行。每个移动终端只有一根天线。
[0051]
在推导卸载系统中用户下行sinr封闭表达式时，定义如下参数。pa，pb，pd分别表示
ap，bs和d2d发送端d
tj
的传输功率。表示传输节点t与蜂窝用户j(j＝1,2,
…
,n)之间的距离，表示t与卸载到wifi网络的用户k(k＝1,2,
…
,m)之间的距离，表示t与d2d接收端d
rj
之间的距离。h
tu
表示t与用户u(u∈{c1,
…
,cn,w1,
…
,wm,d
r1
,
…
,d
rn
})之间的信道。α为与距离相关的信道路径损耗指数。信道增益被建模为方差为1，均值为0的独立同分布复高斯实体。
[0052]
由此我们推导出在蜂窝用户j接收到的信号为：
[0053][0054]
其中，(
·
)h为共轭转置，w为用户的归一化zfbf预编码向量，i为复用同一蜂窝bs-用户子信道的d2d对个数。zc是均值为0，方差为1的复高斯噪声。同样可以推导出卸载到wifi的用户k的接收信号和d2d通信对接收端d
rj
的接收信号并进一步得到它们的sinr的封闭表达式。
[0055]
然后，我们定义了积分函数f(
·
)，近似求解用户到达率。bs和ap的量化误差εb和εa的表达式：
[0056][0057][0058]
其中，lb和la为bs和ap的csi反馈位的长度。基于此，寻找|hhw|2与的近似关系，为服从自由度为n的卡方分布的随机变量。由近似关系进一步得到用户sinr满足的近似分布，从而计算出用户的到达率。
[0059]
由于计算涉及复杂的概率分布，为方便求解我们定义了积分函数f(
·
)如下：
[0060][0061]
根据用户sinr的近似分布，将f(
·
)带入到达率的求解公式，得到蜂窝用户，卸载到wifi的用户以及d2d接收端的到达率封闭表达式。
[0062][0063]
其中，m，q，p，λ的值与用户sinr近似分布的具体表达式相关，f1和f2分别对应于用户所受干扰情况，其具体参数也由sinr得到。最后，我们将系统的和速率记为：
[0064][0065]
为最大化系统性能，以max(r
total
)为目标函数，通过q学习确定蜂窝用户卸载方向。根据系统的和速率表达式，将蜂窝用户同时卸载到d2d和wifi网络。利用q学习确定卸载到不同方向的用户数量，从而最大化系统和速率。然后通过大量的蒙特卡罗仿真，评估异构网
络性能。
[0066]
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。